1
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
RNPS 2487 • ISSN 2708-3411
Vol. 6 • 2025 • e295
ARTÍCULO ORIGINAL
Detección de la úlcera del pie diabético
utilizando Inteligencia Artificial
Detection of diabetic foot ulcers using artificial intelligence
Edgar Moya Cáceres
edgarcmoya@gmail.com • https://orcid.org/0009-0004-6197-430
Yusely Ruíz González
yuselyr@uclv.edu.cu • https://orcid.org/0000-0002-6011-1947
María Matilde García Lorenzo
mmgarcia@uclv.edu.cu • https://orcid.org/0000-0002-1663-5794
UNIVERSIDAD CENTRAL “MARTA ABREU” DE LAS VILLAS, CUBA
Recibido: 2025-11-05 • Aceptado: 2025-12-18
RESUMEN
Las úlceras del pie diabético (UPD) son una de las complicaciones más frecuentes y
devastadoras de la diabetes, representando un desafío considerable para los sistemas de salud
y afectando significativamente la calidad de vida de los pacientes. El objetivo de este artículo
es abordar la aplicación de técnicas de inteligencia artificial para la detección de UPD. Se
implementaron modelos de aprendizaje profundo (DL), específicamente YOLOv8 en sus
variantes m y l, y Faster R-CNN estándar y con convoluciones deformables. Estos modelos se
optimizaron mediante técnicas de aumento de datos y ajuste de hiperparámetros. Para el
entrenamiento, se empleó el dataset proporcionado por el Diabetic Foot Ulcers Grand
Challenge 2020 (DFUC 2020). Adicionalmente, se utilizó una base de casos de imágenes
nacionales para evaluar la eficacia del modelo en el contexto local. En la etapa de
entrenamiento y validación se obtuvo un mAP superior a 0.70 para todos los modelos
entrenados, siendo el Yolov8l el de mejor resultado (mAP=0.799). La prueba externa con los
datos nacionales mostro poder de generalización al obtenerse valores de precisión de 0,856,
sensibilidad de 0,789, puntuación F1 de 0,821 y un mAP50 de 0,839. También se desarrolló
una aplicación web, utilizando Streamlit, que proporciona una interfaz interactiva para el
análisis de imágenes de UPD. Los modelos de DL para detección de objetos implementados
demostraron ser herramientas eficaces para la identificación precisa de UPD. La aplicación
desarrollada integra el mejor modelo de forma efectiva, ofreciendo una interfaz intuitiva para
los profesionales de la salud.
Palabras clave: Úlceras del pie diabético; Detección de objetos; Aprendizaje profundo;
DFUC2020.
2
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Detección de la úlcera del pie diabético utilizando Inteligencia Artificial
Moya Cáceres, E., Ruíz González, Y.,
García Lorenzo, M. M.
ABSTRACT
Diabetic foot ulcers (DFUs) are one of the most common and devastating complications of
diabetes, representing a considerable challenge for healthcare systems and significantly
affecting patients' quality of life. This paper is aimed to address the application of artificial
intelligence techniques for DFU detection. Deep learning (DL) models were implemented,
specifically YOLOv8, in its m and l variants, and standard and deformable convolutions Faster
R-CNN. These models were optimized using data augmentation and hyperparameter tuning
techniques. The dataset provided by the Diabetic Foot Ulcers Grand Challenge 2020 (DFUC
2020) was used for training. Additionally, a national image database was used to evaluate the
model's effectiveness in the local context. In the training and validation stages, mAP greater
than 0.70 was obtained for all trained models, being the Yolov8l model the best performed
(mAP=0.799). The external test with national data demonstrated generalization power,
granting accuracy values of 0.856, sensitivity of 0.789, F1 score of 0.821, and an mAP50 of
0.839. A web application was also developed using Streamlit, providing an interactive interface
for analyzing DFU images. The object detection DL models implemented proved to be effective
tools for accurately identifying DFUs. The developed application effectively integrates the best
performed model, offering an intuitive interface for healthcare professionals.
Keywords: Diabetic foot ulcers; Object detection; Deep learning; DFUC2020.
INTRODUCCIÓN
En los últimos años, la diabetes (Diabetes Mellitus) se ha convertido en una de las enfermedades crónicas más
comunes, con una amplia gama de complicaciones y un notable impacto en la salud. El pie diabético (PD) es una de
las complicaciones más frecuentes y devastadoras de la diabetes. Según la Organización Mundial de la Salud (OMS),
el PD se caracteriza por la presencia de ulceración, infección y/o gangrena en el pie, asociada a neuropatía diabética
y diferentes grados de enfermedad vascular periférica. Esta condición es el resultado de la interacción compleja de
múltiples factores inducidos por una hiperglucemia mantenida (Juarez-Salinas, Solis-Sánchez, Castañeda-Miranda,
Ortiz-Rodriguez & Rosales, 2014).
Una úlcera del pie diabético (UPD) es una llaga o herida abierta que se desarrolla en los pies de las personas
con diabetes, y representa un desafío significativo para el manejo clínico debido a su tendencia a la infección y a la
cicatrización deficiente. El tratamiento de las UPD es desafiante y costoso, afectando a los pacientes y sus familias
tanto psicológica como económicamente, y planteando desafíos significativos para los sistemas de salud en todo el
mundo (Sun, Heng, Liu, Geng, & Liang, 2023). En el pasado, el conocimiento médico práctico se obtenía a través de
libros de texto, revistas, opiniones de expertos y la relación maestro-aprendiz. Hoy en día, la combinación adecuada
de "datos" y "experiencia" puede mejorar la atención si se integran correctamente, lo cual es esencial para aplicar la
inteligencia artificial (IA) en la medicina (Tekkeşin, 2019).
3
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Detección de la úlcera del pie diabético utilizando Inteligencia Artificial
Moya Cáceres, E., Ruíz González, Y.,
García Lorenzo, M. M.
Anualmente, se celebra una competencia internacional de clasificación de imágenes médicas organizada por
la Medical Image Computing and Computer Assisted Intervention (MICCAI). El objetivo del Diabetic Foot Ulcers Grand
Challenge 2020 (DFUC 2020), dentro del MICCAI 2020, fue mejorar la precisión en la detección de UPD en entornos
clínicos y promover el uso de técnicas avanzadas de aprendizaje automático basadas en datos, proporcionando a la
comunidad investigadora un conjunto de datos significativo etiquetado con precisión para la identificación de UPD.
A pesar de los avances logrados, estos retos siguen siendo una problemática abierta, ya que la detección precisa y
eficiente de las UPD continúa representando un desafío importante en la práctica clínica. Las ediciones recientes de
competencias similares, como las destacadas por MIUA 2024 (Manchester Metropolitan University. 2024, July 2),
siguen impulsando la innovación y la colaboración en este campo crucial. En 2021, tras la culminación del DFUC 2020,
se publicó un artículo [5] que actualiza sobre los modelos de detección de objetos de aprendizaje profundo (del
inglés, "Deep Learning") de última generación aplicados a este problema y con los cuales se logró una precisión
promedio media (mAP) de 0,6940 y una puntuación F1 de 0,7434.
En Cuba la medición de las áreas de las lesiones de UPD ha sido un proceso manual o semiautomático. Se han
realizado varios estudios y desarrollos tecnológicos para mejorar la precisión y eficiencia en la evaluación de las UPD.
Un ejemplo notable es el uso del dispositivo FrameHeber 03® (Cabal Mirabal, González Dalmau, Oramas Diaz, Herrera
Martinez, Berlanga Acosta & Fernández Montequín, 2019), desarrollado por el Centro de Ingeniería Genética y
Biotecnología (CIGB), que permite la toma estandarizada de imágenes fotográficas de las úlceras y facilita
evaluaciones cuantitativas del tratamiento aplicado a las UPD. No obstante, aún no se ha reportado la existencia de
software cubano que realice de manera totalmente automatizada la medición de las áreas de las lesiones (García
Gómez, 2019). Automatizar este proceso mediante un sistema basado en IA sería de gran ayuda para Cuba, ya que
aliviaría la carga sobre los profesionales de la salud y les permitiría enfocarse en el tratamiento y la prevención de
otras complicaciones relacionadas con la diabetes. En este contexto, en la presente investigación se implementaron
modelos de aprendizaje profundo, específicamente YOLOv8 en sus variantes m y l, y Faster R-CNN en su variante
estándar y con convoluciones deformables. Estos modelos se optimizaron mediante técnicas de aumento de datos y
ajuste de hiperparámetros para maximizar su rendimiento. Para facilitar la interacción de los profesionales de la salud
con el modelo de mejor desempeño, YOLOv8l, comenzó el desarrollo de una aplicación web utilizando Streamlit que
proporciona una interfaz interactiva e intuitiva y posibilita su implementación en el entorno clínico.
METODOLOGÍA
Conjunto de datos
Se utilizaron las 2000 imágenes etiquetadas del conjunto DFU2020, liberadas durante la fase 1 de la
competencia pues son de las que se brinda la localización de las lesiones. Estas se distribuyeron en 1800 imágenes
para el proceso de entrenamiento y 200 para la validación, las cuales presentan un total de 2235 y 261 úlceras
respectivamente.
Para la prueba externa del modelo, se utilizó un conjunto de 36 imágenes de origen nacional, las cuales
contienen un total de 38 úlceras. Las imágenes fueron anotadas por profesionales especializados en el manejo del
pie diabético, lo que asegura la precisión en la localización exacta de las úlceras. Para la anotación de las imágenes
se empleó el VGG Image Annotator (Dutta, Zisserman, & Gupta, 2024). Todas las imágenes fueron etiquetadas con
coordenadas xmin, ymin, xmax y ymax para indicar la ubicación precisa de las úlceras del pie.
Técnicas de aumento de datos
4
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Detección de la úlcera del pie diabético utilizando Inteligencia Artificial
Moya Cáceres, E., Ruíz González, Y.,
García Lorenzo, M. M.
El aumento de datos, o data augmentation, es una técnica fundamental en el aprendizaje profundo para
mejorar la capacidad de generalización de los modelos. Consiste en aplicar diversas transformaciones a los datos de
entrenamiento, generando nuevas versiones de los mismos sin modificar sus etiquetas (Liu, L., et al., 2020). En el
desarrollo de esta investigación se implementan varias técnicas de aumento de datos utilizando la librería
Albumentations (Buslaev, Iglovikov, Khvedchenya, Parinov, Druzhinin, & Kalinin, 2020), que permite aplicar diversas
transformaciones tanto a las imágenes como a sus cajas delimitadoras. En la Figura 1 se presentan ejemplos de
imágenes originales y generadas para ilustrar el impacto de estas técnicas en el conjunto de entrenamiento.
Figura 1. Ejemplos de imágenes originales y generadas con el aumento de datos.
Implementación de los modelos
Se implementaron 2 modelos basados en la arquitectura Faster R-CNN, que obtuvo los mejores resultados en
la competencia DFU 2020, junto con la última versión de YOLO.
Faster R-CNN
La implementación del modelo de Faster R-CNN se llevó a cabo utilizando la biblioteca MMDetection (Chen,
et al. ,2019). Se implementaron dos variantes, ambas basadas en la arquitectura ResNeXt-101, preentrenada con el
checkpoint "resnext101_64x4d" disponible en OpenMMLab. (2024, October 15). La primera variante utiliza ResNeXt-
101 en su configuración estándar, mientras que la segunda variante integra Deformable Convolutional Networks v2
(DCNv2). En esta segunda variante, la arquitectura fundamental de la red se mantiene alineada con la de Faster R-
CNN, sin embargo, se sustituye la capa de convolución estándar por una capa de convolución deformable en el
segundo, tercer y cuarto bloque del extractor de características de ResNeXt. Con el objetivo de optimizar el
rendimiento de los modelos, se realizó una búsqueda de hiperparámetros, considerando enfoques y resultados de
investigaciones previas en la detección de UPD [5].
YOLOv8
Para la implementación del modelo YOLOv8, fue utilizada la librería (Ultralytics Jocher, Chaurasia, & Qiu, 2023).
Las variantes YOLOv8m y YOLOv8l fueron implementadas debido a su capacidad para mantener un buen balance
entre precisión y rendimiento. Estas versiones medianas se consideraron adecuadas, ya que la salida del modelo será
empleada en una etapa posterior de clasificación, lo que requiere una detección precisa sin comprometer la
5
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Detección de la úlcera del pie diabético utilizando Inteligencia Artificial
Moya Cáceres, E., Ruíz González, Y.,
García Lorenzo, M. M.
eficiencia. Con el fin de mejorar el rendimiento del modelo, se llevó a cabo una búsqueda de hiperparámetros
inspirada en trabajos previos como [5] que aplicaron versiones anteriores de este modelo en la detección de UPD.
Posprocesamiento
Se incorporó una etapa de posprocesamiento que consta de dos fases. Primeramente, se filtran las
predicciones con un umbral de confianza de 0,3 lo que significa que se consideraron detecciones con una
probabilidad de al menos 30% de ser correctas, reduciendo así las falsas detecciones al eliminar aquellas con baja
probabilidad de ser correctas. Esta probabilidad corresponde al nivel de confianza asignado por el modelo a cada
predicción, el cual se calcula a partir de la salida de la red neuronal. Posteriormente, se aplica Supresión de No-
Máximos (NMS, por sus siglas en inglés) con un umbral de intersección sobre unión (IoU) de 0,5 permitiendo eliminar
las detecciones redundantes y asegurar que cada objeto detectado se represente de manera única en la imagen.
Métricas utilizadas
La evaluación del rendimiento de los modelos de detección de UPD se basa en métricas fundamentales como
son: el número de verdaderos positivos (TP), el número de falsos positivos (FP), la precisión, la sensibilidad, la
puntuación F1 y la precisión media promedio (mAP). Estas métricas permiten evaluar la capacidad predictiva de cada
modelo de detección entrenado con el conjunto de datos, proporcionando una visión integral de su desempeño (Yap,
2021).
La puntuación F1 se considera particularmente relevante en este contexto debido a su enfoque en los falsos
negativos y falsos positivos. Dado que los falsos negativos pueden conllevar riesgos significativos de complicaciones
adicionales para los pacientes, y los falsos positivos pueden resultar en costos adicionales y cargas de tiempo para
las clínicas, la puntuación F1 ofrece una medida más precisa del rendimiento del modelo que el simple porcentaje de
predicciones correctas (Sarmun, et al. 2024). Por su parte, el mAP, y en particular el mAP50, permite evaluar el grado
de superposición entre las predicciones y la verdad de terreno, considerando como verdaderas detecciones aquellas
con una IoU igual o superior a 0,5 (Cassidy, B., et al. 2021). Estas métricas en conjunto permiten una valoración
integral de la capacidad predictiva del modelo.
RESULTADOS Y DISCUSIÓN
Los resultados que se presentan en la Tabla 1 corresponden al conjunto de validación y muestran el mejor
desempeño alcanzado por cada modelo, obtenidos al aplicar técnicas de aumento de datos.
Tabla 1. Resultados obtenidos en el conjunto de validación por los modelos implementados, solo se
registraron las métricas mAP50 y mAP50- 95para los modelos R-CNN debido a que MMDetection solo proporciona
estas métricas.
Modelos
Sensibilidad
Precisión
F1
mAP50
mAP50-95
Faster R-CNN
-
-
-
0,725
0,392
Faster R-CNN
Deformable
-
-
-
0,715
0,392
YOLOv8m
0,739
0,774
0,756
0,782
0,447
6
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Detección de la úlcera del pie diabético utilizando Inteligencia Artificial
Moya Cáceres, E., Ruíz González, Y.,
García Lorenzo, M. M.
YOLOv8l
0,716
0,805
0,758
0,799
0,474
Los resultados obtenidos con Faster R-CNN fueron similares en ambos casos, mostrando que el modelo con
convoluciones deformables no ofreció una mejora significativa respecto al modelo estándar. El modelo estándar
alcanzó un mAP50 de 0,725, mientras que la variante con convoluciones deformables obtuvo un mAP50 de 0,715.
En la comparación entre las variantes de YOLOv8, ambas ofrecieron buenos resultados. YOLOv8l obtuvo un
mejor rendimiento general, destacándose en precisión (0,805), puntuación F1 (0,758), mAP50 (0,799) y mAP50-95
(0,474). Sin embargo, YOLOv8m presentó una sensibilidad ligeramente superior (0,739 frente a 0,716).
El modelo YOLOv8l, optimizado mediante técnicas de aumento de datos, fue seleccionado para evaluar las
imágenes de la base de casos nacional debido a que demostró un mayor desempeño en el conjunto de validación. Al
evaluar el modelo se obtuvieron métricas consistentes: precisión de 0,856, sensibilidad de 0,789, puntuación F1 de
0,821 y un mAP50 de 0,839. Estas métricas reflejan la efectividad del modelo en la detección correcta de úlceras y su
capacidad para identificar la mayor cantidad posible de úlceras presentes en las imágenes.
Implementación de aplicación web para la detección de UPD
La implementación de una aplicación web intuitiva para la detección de UPD no solo facilita el acceso a los
resultados del modelo, sino que también tiene un impacto directo en la capacidad de los profesionales de la salud
para tomar decisiones más informadas y precisas. Con esta herramienta los resultados generados por el modelo son
más accesibles y utilizables en la práctica diaria ofreciendo un soporte adicional para confirmar o reevaluar
diagnósticos clínicos, mejorando así la calidad del cuidado del paciente.
Para el desarrollo de la aplicación (Figura 2) fue utilizado en Streamlit (2024) un framework de código abierto
para Python. Los usuarios pueden acceder a la aplicación desde sus dispositivos móviles o computadoras, siempre
que cuenten con un navegador web y utilicen una VPN desde Cuba, a través de la dirección https://upd-
ai.streamlit.app/.
La interfaz de la aplicación “Cuidado inteligente del pie diabético” es intuitiva y fácil de usar. Incluye una barra
lateral para ajustar el nivel de certeza de las predicciones, un botón para cargar imágenes (JPG, JPEG, PNG) y otro
para iniciar la inferencia. Los resultados se presentan en imágenes anotadas con las áreas detectadas. Tras el
procesamiento, se habilita un botón para exportar las predicciones en un archivo comprimido con las imágenes
anotadas y un CSV con las coordenadas. Si se cargan varias imágenes, se puede seleccionar cuál visualizar.
7
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Detección de la úlcera del pie diabético utilizando Inteligencia Artificial
Moya Cáceres, E., Ruíz González, Y.,
García Lorenzo, M. M.
Figura 2. Interfaz de usuario de la aplicación.
CONCLUSIONES
Los modelos de detección de objetos basados en aprendizaje profundo implementados, como YOLOv8 y Faster
R-CNN, así como variantes de ellos, demostraron ser herramientas eficaces para la identificación precisa de UPD, y
el uso de técnicas de aumento de datos mejoró significativamente sus resultados.
YOLOv8l obtuvo métricas de rendimiento superiores, alcanzando un mAP50 de 0,799, lo que lo posiciona como
el más eficaz entre las arquitecturas evaluadas. La evaluación de YOLOv8l en la base de casos nacionales mostró un
mAP50 de 0,839, destacando su potencial en la práctica clínica para la detección de UPD.
La aplicación web desarrollada con Streamlit integra YOLOv8l de forma efectiva, ofreciendo una interfaz
intuitiva para los profesionales de la salud y facilitando futuras mejoras e incorporación de clasificación de imágenes.
Evaluar el rendimiento en distintos tipos de piel es clave para medir la generalización del modelo. Dado que el
entrenamiento usó mayormente pieles blancas, existe riesgo de sesgo en la detección de úlceras en pieles no blancas,
afectando su precisión y equidad en entornos clínicos diversos.
AGRADECIMIENTOS
La investigación que da origen a los resultados presentados en la presente publicación recibió fondos de la
Oficina De Gestión de Fondos y Proyectos Internacionales bajo el código PN223LH004-039 y fondos del Programa
Territorial del CITMA Salud Humana bajo el código PT241VC001-009.
8
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Detección de la úlcera del pie diabético utilizando Inteligencia Artificial
Moya Cáceres, E., Ruíz González, Y.,
García Lorenzo, M. M.
REFERENCIAS
Buslaev, A., Iglovikov, V. I., Khvedchenya, E., Parinov, A., Druzhinin, M., & Kalinin, A. A. (2020). Albumentations: Fast
and flexible image augmentations. Information (Switzerland), 11(2). https://doi.org/10.3390/info11020125
Cabal Mirabal, C. A., González Dalmau, E. R., Oramas Diaz, L., Herrera Martinez, L. S., Berlanga Acosta, J. A., &
Fernández Montequín, J. I. (2019). Organización Mundial de la Propiedad Intelectual. Marco estereotáxico para
extremidades. Patente de Cuba PCT/CU2016/050002, 2017. Acceso, 31(07).
Cassidy, B., et al. (2021). The DFUC 2020 dataset: Analysis towards diabetic foot ulcer detection. touchREVIEWS in
Endocrinology, 17(1), 5. https://doi.org/10.17925/EE.2021.17.1.5
Chen, K., et al. (2019). MMDetection: Open MMLab Detection Toolbox and Benchmark.
Dutta, A., Zisserman, A., & Gupta, A. (2024, September 19). VGG Image Annotator (VIA). GitHub.
https://github.com/ox-vgg/via
García Gómez, G., et al. (2019). Mejoramiento de contraste y segmentación en imágenes de úlceras del pie diabético.
Revista Cubana de Angiología y Cirugía Vascular, 20.
Jocher, G., Chaurasia, A., & Qiu, J. (2023, August 24). YOLO by Ultralytics. https://github.com/ultralytics/ultralytics
Juarez-Salinas, J. J., Solis-Sánchez, L. O., Castañeda-Miranda, R., Ortiz-Rodriguez, J. M., & Rosales, H. G. (2014).
Algoritmo de procesamiento digital de imágenes para la detección y evaluación de heridas de pie diabético.
Difu100ci@, Revista de difusión científica, ingeniería y tecnologías, 8(1), 11–16.
Liu, L., et al. (2020). Deep learning for generic object detection: A survey. International Journal of Computer Vision,
128(2), 261–318. https://doi.org/10.1007/s11263-019-01247-4
Manchester Metropolitan University. (2024, July 2). 28th UK Conference on Medical Image Understanding and
Analysis - MIUA. MIUA. https://miua2024.github.io/#challenges
OpenMMLab. (2024, October 15). OpenMMLab: Open Source Computer Vision Toolbox. https://openmmlab.com/
Sarmun, R., et al. (2024). Diabetic foot ulcer detection: Combining deep learning models for improved localization.
Cognitive Computation, 16(3), 1413–1431. https://doi.org/10.1007/s12559-024-10267-3
Streamlit. (2024, October 22). Streamlit: The fastest way to build and share data apps. https://streamlit.io/
Sun, H., Heng, H., Liu, X., Geng, H., & Liang, J. (2023). Evaluation of the healing potential of short-term ozone therapy
for the treatment of diabetic foot ulcers. Frontiers in Endocrinology, 14.
https://doi.org/10.3389/fendo.2023.1304034
Tekkeşin, A. İ. (2019). Artificial intelligence in healthcare: Past, present and future. Anatolian Journal of Cardiology,
22(Suppl 2), 8–9.
Yap, M. H., et al. (2021). Deep learning in diabetic foot ulcers detection: A comprehensive evaluation. Computers in
Biology and Medicine, 135, 104596. https://doi.org/10.1016/j.compbiomed.2021.104596
9
REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL
Detección de la úlcera del pie diabético utilizando Inteligencia Artificial
Moya Cáceres, E., Ruíz González, Y.,
García Lorenzo, M. M.
Copyright © 2025, Autores: Moya Cáceres, Edgar, Ruíz González, Yusely, García Lorenzo, María Matilde
Esta obra está bajo una licencia de Creative Commons Atribución-No Comercial 4.0 Internacional
